Audio8TS：1.7GB 的超轻量 TTS 模型，几秒样本本地克隆声音

Audio8TS 是一个体积仅 1.7GB 的超轻量文本转语音模型，主打在普通个人电脑上用几秒钟的声音样本，实现本地零样本声音克隆。

现在的语音克隆模型动辄数个十亿参数，不仅模型文件大，还得配高显存显卡。而 Audio8TS 的核心生成网络只有约 1.7 亿参数，加上配套的音频编解码器解码器，整体参数规模也才 0.1B 级别，全部文件下载下来只要 1.7GB。

它能做什么

它的核心用法非常纯粹，就是零样本声音克隆。你只需要准备一段几秒钟的清晰参考音频，再加上对应的文字记录，模型就能提取目标音色，并用这个声音读出任何新的文本。

在语言支持方面，它把中文和英文作为主要语言，能够生成发音自然且音色高度贴合的语音。同时它还提供了针对德语、西班牙语、法语、意大利语、日语和韩语的多语言实验支持。

虽然体积极小，但官方公布的基准测试显示，它在字错误率和说话人相似度上表现相当稳定。相比动辄数十亿参数的同类方案，它在极其克制的体积下交出了够用的听感。

怎么跑起来

Audio8TS 采用了双分支自回归架构，分为慢速分支和快速分支。慢速分支负责预测语义 token，快速分支则结合慢速状态预测音频编解码器的 codebook，最后由神经编解码器直接解码成波形。

部署门槛可以说是这个项目最大的亮点。除了常规的 PyTorch 和 CUDA GPU 部署之外，项目方还专门打包了 CPU 友好的 ONNX INT8 版本。

在 ONNX 方案下，模型的自回归部分被量化为 INT8 格式，音频编解码器采用半精度运行。语音注册和生成过程被严格分段，中间会主动释放不必要的内存会话，确保普通笔记本的内存不会被瞬间撑爆。

目前 Audio8TS 的完整权重、音频编解码器、分词器和推理代码都已经在 Hugging Face 上完全公开，项目 ID 为 Audio8/Audio8-TTS-Preview-0.1b。运行环境需要 Python 3.11 以上以及较新的 Transformers 和 PyTorch 库。

为什么重要

如果你正在开发需要离线语音合成的桌面客户端，或者单纯想在自己的轻薄本上跑声音克隆，Audio8TS 很值得现在拉下来试一试。它几乎不需要专用硬件成本，彻底抹平了本地运行语音克隆的门槛。

我们认为，Audio8TS 聪明的点在于它放弃了在所有多语言和极致音质上卷大模型，而是把「端侧能跑」做到了极致。它证明了在 1 亿参数规模下，合理的架构设计依然能守住声音克隆的可用底线，这也为未来智能硬件和轻量化端侧助理提供了一个非常务实的参考路线。